ComenzarEmpieza gratis

Utilizar la operación de capa densa

Ya hemos visto cómo definir capas densas en tensorflow utilizando el álgebra lineal. En este ejercicio, nos saltaremos el álgebra lineal y dejaremos que keras resuelva los detalles. Esto nos permitirá construir la red de abajo, que tiene 2 capas ocultas y 10 características, utilizando menos código del que necesitábamos para la red con 1 capa oculta y 3 características.

Esta imagen muestra una red neuronal con 10 nodos de entrada y 1 nodo de salida.

Para construir esta red, tendremos que definir tres capas densas, cada una de las cuales toma como entrada la capa anterior, la multiplica por pesos y aplica una función de activación. Ten en cuenta que los datos de entrada se han definido y están disponibles como un tensor 100x10: borrower_features. Además, está disponible el módulo keras.layers.

Este ejercicio forma parte del curso

Introducción a TensorFlow en Python

Ver curso

Instrucciones de ejercicio

  • Configura dense1 como una capa densa con 7 nodos de salida y una función de activación sigmoidea.
  • Define dense2 como capa densa con 3 nodos de salida y una función de activación sigmoidea.
  • Define predictions como una capa densa con 1 nodo de salida y una función de activación sigmoidea.
  • Imprime las formas de dense1, dense2, y predictions en ese orden utilizando el método .shape. ¿Por qué cada uno de estos tensores tiene 100 filas?

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# Define the first dense layer
dense1 = keras.layers.Dense(____, activation='____')(borrower_features)

# Define a dense layer with 3 output nodes
dense2 = ____

# Define a dense layer with 1 output node
predictions = ____

# Print the shapes of dense1, dense2, and predictions
print('\n shape of dense1: ', dense1.shape)
print('\n shape of dense2: ', ____.shape)
print('\n shape of predictions: ', ____.shape)
Editar y ejecutar código